CN112581533A - 定位方法、装置、电子设备及存储介质 - Google Patents
定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112581533A CN112581533A CN202011488991.4A CN202011488991A CN112581533A CN 112581533 A CN112581533 A CN 112581533A CN 202011488991 A CN202011488991 A CN 202011488991A CN 112581533 A CN112581533 A CN 112581533A
- Authority
- CN
- China
- Prior art keywords
- corner
- information
- corner point
- points
- ground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了定位方法、装置、电子设备及存储介质,涉及计算机视觉处理领域,尤其涉及人工智能、深度学习、自动驾驶、自主泊车等领域。具体实现方案为:获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。采用本申请,可以提高定位精确度。
Description
技术领域
本申请涉及计算机视觉处理领域,本申请尤其涉及人工智能、深度学习、自动驾驶、自主泊车等领域。
背景技术
自动驾驶或自主泊车等领域中,可以利用计算机视觉技术进行定位处理,比如,可以通过检测地面箭头的相应直行或转弯指示等来实现对行驶中车辆的实时定位更新。然而,相关技术中,无论通过检测框还是掩膜来表示地面箭头,都达不到精确的定位需求。
发明内容
本申请提供了一种定位方法、装置、电子设备及存储介质。
根据本申请的一方面,提供了一种定位方法,包括:
获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;
根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;
根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;
根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
根据本申请的另一方面,提供了一种定位装置,包括:
标注信息获取模块,用于获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;
编码模块,用于根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;
检测模块,用于根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;
定位模块,用于根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本申请任意一实施例所提供的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使该计算机执行本申请任意一项实施例所提供的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请任意一实施例所提供的方法所述的方法。
采用本申请,可以获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点。可以根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,以得到角点编码信息。根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,以得到第二角点信息。根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。由于可以基于统一的编码得到角点编码信息以及结合角点检测模型实现对角点的检测,因此,可以基于角点的检测来更新车辆的定位位姿,从而提高了定位精确度。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是相关技术中地面箭头采用2D矩形框表示的示意图;
图2是相关技术中地面箭头采用掩膜表示的示意图;
图3是根据本申请实施例的定位方法的流程示意图;
图4是根据本申请实施例的一应用示例中地面箭头的种类及角点表示的示意图;
图5是根据本申请实施例的一应用示例中卷积神经网络用于训练/预测箭头的角点位置示意图;
图6是根据本申请实施例的一应用示例中用于箭头分类/回归的点信息的示意图;
图7是根据本申请实施例的定位装置的组成结构示意图;
图8是用来实现本申请实施例的定位方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分,并不是限定顺序的意思,或者限定只有两个的意思,例如,第一特征和第二特征,是指代有两类/两个特征,第一特征可以为一个或多个,第二特征也可以为一个或多个。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
对于自动驾驶或自主泊车等领域中的车辆实时定位更新,自主泊车即自主代客泊车的简称,以自主代客泊车定位(AVP,Autonomous Valet Parking)为例,其应用场景主要集中在家、公司以及商业中心的停车场。比如,一个上班的场景,用户早晨从家里出门,通过手机召唤,车辆自动出库开到用户身边,用户驾驶车辆到公司,然后通过手机还车,车辆自动驾驶进入停车场找到停车位泊车入库。从产品需求讲,AVP可以包含的功能需求,如低速自动驾驶能力(室内/外巡航、车库跨层巡航、自动过道闸、排队跟车、障碍物绕行)及泊车能力(垂直车位、平行车位、斜车位等),都需要利用到计算机视觉技术中基于图像检测的定位技术。
以室内停车场为主,地下环境GPS信号较弱,AVP定位方案更多依赖于视觉定位元素的检测,如地面箭头是比较重要的定位元素,可以通过检测地面箭头对车辆的定位位姿(pose)进行局部优化。然而,目前的定位技术中,针对地面箭头的表示,无论是采用2D矩形框,还是掩膜(mask)都达不到精确的定位需求。
图1是相关技术中地面箭头采用2D矩形框表示的示意图,如图1所示,采用2D矩形框的表示形式(将地面箭头用矩形框包围起来),图1中的4个地面箭头分别对应4个2D矩形框。然而,2D矩形框在高精地图上很难被准确标注,导致针对地面箭头的检测准确率不高。
图2是相关技术中地面箭头采用掩膜表示的示意图,如图2所示,图2中的1个地面箭头用掩膜表示,与周围图像呈现画质区别,采用像素级别的表示中,将箭头轮廓填充的区域表示为前景,其他图像表示为背景。然而,掩膜表示需要标注过多的点,而这些点并不都能产生高精地图与待检测图像中针对地面箭头的有效匹配,导致针对地面箭头的检测准确率不高。
根据本申请的实施例,提供了一种定位方法,图3是根据本申请实施例的定位方法的流程示意图,该方法可以应用于定位装置,例如,该装置可以部署于终端或服务器或其它处理设备执行的情况下,可以执行角点标注、角点编码、角点检测及基于角度检测实现定位等等。其中,终端可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,包括:
S101、获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点。
S102、根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息。
S103、根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息。
S104、根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
上述S101中,第一角点信息指针对高精地图而言的一类角点信息,包含至少两个角点。
上述S102中,将可能位于不同类别地面箭头的至少两个角点根据位置相关性统一编码,得到角点编码信息,该角点编码信息可以用于表征所述至少两个角点与对应地面箭头类别的位置关系。
上述S103中,角点检测模型可以为卷积神经网络模型,可以将不同类别的地面箭头及角点作为训练样本,输入该卷积神经网络模型中训练,直至网络模型收敛后,将训练得到的角点检测模型应用于针对待检测图像的地面箭头的目标检测中,由于地面箭头采用角点进行标识,因此,通过该角点检测模型是对角点进行检测。
上述S104中,可以将第一角点信息和第二角点信息进行匹配,将匹配结果作为约束信息,根据该约束信息,更新所述车辆的定位位姿。
一示例中,可以获取高精地图中的标注信息,所述标注信息为:已标注的不同类别地面箭头的至少一个角点信息(可以将高精地图中的至少一个角点信息记为一类,如上述第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点)。根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行统一的编码处理,得到上述角点编码信息,角点编码信息中包含:对该至少一个角点信息统一编码后位于同一个坐标系下的目标角点信息。根据预先训练好的角点检测模型以及该角点编码信息中的目标角点信息,对待检测图像中包含的地面箭头中的至少一个角点(可以将在自动驾驶或自主泊车过程中针对视觉定位元素,如前广角和环视定位元素的采集所得到的待检测图像中的至少一个角点信息记为另一类,如上述第二角点信息,所述第二角点信息也用于标识不同类别地面箭头中的关键特征点)进行角点检测,以识别出该第二角点信息。将高精地图中的标注信息(即第一角点信息)和待检测图像中的检测信息(即第二角点信息)进行匹配,以产生约束信息来更新车辆的定位位姿,从而实现了通过检测地面箭头来对自动驾驶或自主泊车过程中定位位姿的局部优化,提高定位准确率。
采用本申请,可以获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点。可以根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,以得到角点编码信息。根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,以得到第二角点信息。根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。由于可以基于统一的编码得到角点编码信息以及结合角点检测模型实现对角点的检测,因此,可以基于角点的检测来更新车辆的定位位姿,从而提高了定位精确度,对自动驾驶或自主泊车场景而言,可以通过检测地面箭头实现对定位位姿的局部优化,从而及时、准确的对车辆定位的位姿进行实时校准调整。
一实施方式中,所述根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息,包括如下编码原则:
1)所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头且标识所述地面箭头同一位置的情况下,在所述角点编码信息中采用相同的编号对所述至少两个角点进行位置描述。也就是说,对同一位置的箭头角点采用相同的编号表示。
2)所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头、且标识所述地面箭头不同位置的情况下,在所述角点编码信息中采用不同的编号对所述至少两个角点进行位置描述。也就是说,若有新的位置点与前面出现的位置点不同,则将该位置点作为新的编号出现。
采用本申请,通过该编码原则对不同类别箭头按照位置的相关性实现统一的编码后,将编码与上述角点检测模型(比如该角点检测模型为卷积神经网络模型,通过该卷积神经网络模型学习出地面箭头的类别及角点位置信息)相结合使用,就可支持对不同类别地面箭头的角点检测。
一实施方式中,所述根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息,包括:进行所述编码处理后得到的目标角点信息包含至少两个角点,所述至少两个角点在所述角点编码信息中位于同一个坐标系下。其中,所述角点编码信息,用于表征所述至少两个角点与对应地面箭头类别的位置关系。
采用本申请,可以实现同一坐标系下的编码,便于后续将待检测图像投影变换到高精地图中进行匹配时,不会出现由于坐标系不统一导致的匹配偏差。
一示例中,考虑到地面箭头有很多个类别且每个类别的形状不同,针对描述地面箭头的角点类别不同的问题,可以采用角点编码信息(用于表征所述至少两个角点与对应地面箭头类别的位置关系),以及结合预先训练好的角点检测模型(比如,该角点检测模型为卷积神经网络模型),就可支持对不同类别地面箭头的角点检测。
其中,就角点编码信息而言,可以通过该上述编码原则1)和2)对不同类别箭头按照位置的相关性实现统一的编码,以得到编码后位于同一个坐标系下的角点编码信息(如包含角点位置描述及对应地面箭头类别的关系表)。就角点检测模型而言,可以通过该角点检测模型学习出地面箭头的类别及角点位置信息。从而,结合角点编码信息和角点检测模型可以实现不同类别地面箭头的角点检测。
一实施方式中,还包括:将不同类别的地面箭头及角点作为训练样本,将所述训练样本输入所述角点检测模型,输出得到分类损失函数和回归损失函数,根据所述分类损失函数和所述回归损失函数得到目标损失函数,根据所述目标损失函数的反向传播对所述角点检测模型进行模型训练,直至模型收敛。
采用分类损失函数和所述回归损失函数得到的目标损失函数,可以得到地面箭头的类别及回归到地面箭头对应的角点位置,从而,根据该目标损失函数的反向传播进行模型训练所得到的该角点检测模型,可以对地面箭头及其角点进行精确的检测。
一实施方式中,还包括:对所述训练样本进行采样处理,得到正例样本和负例样本;其中,所述正例样本包括:将所述地面箭头的顶点所包围的填充区域作为采样区域所得到的采样像素点;所述负例样本包括:所述采样区域之外的采样像素点。
一示例中,该采样区域可以为长方形的填充区域,也可以为其他形状,比如,多边形的填充区域,圆形的填充区域等等,只要可以基于该采样区域得到预期的采样像素点,都在本申请的保护范围之内。
一实施方式中,还包括:对所述角点检测模型进行模型训练中,根据所述正例样本和所述负例样本的二值化分类,得到所述分类损失函数。
根据正例样本和负例样本的二值化分类得到的分类损失函数可以得到地面箭头的类别,从而,模型训练后所得到的该角点检测模型,可以对地面箭头实现精确的检测。
一实施方式中,还包括:对所述角点检测模型进行模型训练中,根据所述正例样本回归出所述地面箭头的预测角点位置与真实角点位置间的距离差,根据所述距离差得到所述回归损失函数。
根据正例样本回归出地面箭头的预测角点位置与真实角点位置间的距离差,根据距离差得到回归损失函数,可以得到地面箭头对应的角点位置,从而,模型训练后所得到的该角点检测模型,可以对地面箭头的角点实现精确的检测。
应用示例:
应用本申请实施例一处理流程包括如下内容:
本应用示例中针对地面箭头中角点的检测,以基于角点的检测提高定位准确率。地面箭头可以采用角点来表示。角点在图像检测中是很重要的特征,对图像图形的理解和分析有很重要的作用。采用角点,可以在保留图像图形重要特征的同时,有效地减少信息的数据量,使其信息的含量很高,从而有效地提高计算速度,并有利于图像间的可靠匹配,使得实时的定位处理成为可能。角点可以代表某方面属性特别突出的点,比如,角点可以是两条线的交叉处,也可以是位于相邻的两个主要方向不同的事物上的点,最小的孤立点,线段的终点,或者是曲线上局部曲率最大的点等等。
地面箭头有很多个类别且每个类别的形状不同。图4是根据本申请实施例的一应用示例中地面箭头的种类及角点表示的示意图,如图4所示,常见的地面箭头有11类。第一行从左至右依次为直行、直行及左转、左转、右转、直行及右转、调头的地面箭头;第二行从左至右依次为直行及调头、左转及调头、左右转弯、左汇入、右汇入的地面箭头。
基于深度学习的角点检测模型(如卷积神经网络模型)具有很强的特征表示能力,可以学习出地面箭头的不同类别及角点位置信息。针对不同类别地面箭头对应角点数目不同的问题,还可以对角点进行统一编码,将这些角点编码在同一个坐标系下,以泊车场景常见的六类箭头(直行、左转、右转、直行及左转、直行及右转、左右转弯)为例,对六类箭头角点的统一位置编码,如下面表1所示。
表1
表1列出了以泊车场景为例的六类箭头(直行、左转、右转、直行及左转、直行及右转、左右转弯)的角点,经编码处理后,编码到一个包含24个点的坐标系下。
编码的基本原则是,对同一位置的箭头角点采用相同的编号表示,若有新的位置点与前面出现的位置点不同,则将该位置点作为新的编号出现。对于直行箭头的7个角点而言,将其编码为1~7的角点;左转箭头角点1、2、4、5、6、7、8与直行箭头的1~7具有相同的位置属性,因而将这几个角点对应的编码设置为1~7,编号3和9对应的角点位置则作为新增加的编号,编码设置为8和9;右转箭头与左转箭头的角点位置类似,因而采用了与左转箭头相同的角点位置编号;直行及左转箭头的角点1~7与直行箭头的角点编号相同,也采用了编号1~7的编码形式,角点8~14与前面定义的角点(1~9)含义不同,因而将其作为新的角点编号进行设置(10~16);直行及右转箭头的角点1、2、10、11、12、13、14与直行箭头角点编码相同,采用了1~7的位置编码,角点3、4、5、6、7、8、9与前面定义的角点(1~16)含义不同,将其作为新的角点编号进行设置(17~23);左右转弯箭头的角点除编号9外,其余的角点均可以用已有的角点编号进行编码,如表1所示。
图5是根据本申请实施例的一应用示例中卷积神经网络用于训练/预测箭头的角点位置示意图,在对地面箭头的角点按照表1所示的方案进行统一编码后,如图5所示,设计了一个卷积神经网络来实现针对地面箭头的角点检测。训练样本经过卷积神经网络后有两个head输出。其中,分类head用于对训练样本中的正例样本和负例样本产生分类损失(分类loss,可以为Cross-entropy loss);回归head用于根据正例样本点回归出的地面箭头角点预测位置与真实角点位置的距离产生回归损失(回归loss,可以为L2-distance loss)。
对于训练样本中的正例样本(采样区域中的采样像素点),可以采用根据地面箭头角点的外接矩形作为该采样区域,在该采样区域中所包含的点为正例样本,在该采样区域之外的点则为负例样本。在计算回归loss时,需要根据地面箭头的类别及该类别对应的角点位置编号在对应的位置回归通道(channel)上产生损失函数(loss)。具体来讲,对于上述表1中六类箭头的位置检测,训练时正例样本的类别有6类(即地面箭头类别数目),位置回归的channel数目是48(6类箭头对应了24个角点位置,每个角点需要回归位置偏移量x和y,因而channel数目是24*2=48)。其中,对于直行箭头,它的位置偏移量计算发生在第1~7个点所对应的channel上(1~14),在剩余的34个channel上不会产生位置回归loss;类似地,左转和右转箭头角点的位置偏移回归发生在第1~18个channel上,直行及左转箭头的位置偏移回归发生在第1~14,20~32个channel上,直行及右转箭头的位置偏移回归发生在第1~14,34~46个channel上,左右转弯箭头的位置偏移回归发生在第1~18,22~30,47~48个channel上。
在训练得到角点检测模型(如卷积神经网络模型)后,应用该角点检测模型的过程中,可以给定一幅输入图像(车辆行驶中采集的待检测图像),其过程包括:1)图像经过角点检测模型预测后得到分类输出及位置回归输出;2)在给定的分类阈值条件下,对分类输出图像做二值化分类,以得到二值图;3)通过连通域分析方案得到图像中的若干连通域;4)对于某一个连通域,计算该连通域内每个点的最大分类输出类别(对应6种箭头类别中的某一种类别),统计出箭头类别的最高频数作为该区域的箭头分类类别;5)根据连通域的地面箭头分类类别,按照表1选择该类别对应的位置回归channel,计算每个像素点投票出的对应地面箭头角点位置;6)对每个地面箭头角点位置,按照平均或者投票的方式计算得到该角点的最终位置。
图6是根据本申请实施例的一应用示例中用于箭头分类/回归的点信息的示意图,如图6所示包含一个左转弯箭头,可以检测到该左转弯箭头包含8个角点。
采用本应用示例,在高精地图中标注地面箭头关键角点位置,即可可实现位置匹配约束,通过对不同类别地面箭头角点位置的有效编码,可以用一个角点检测模型即可实现地面箭头类别分类及角点位置的检测,处理效率高且检测准确率高,从而基于该角度位置的检测,可以提高定位准确率。
根据本申请的实施例,提供了一种定位装置,图7是根据本申请实施例的定位装置的组成结构示意图,如图7所示,包括:标注信息获取模块41,用于获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;编码模块42,用于根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;检测模块43,用于根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;定位模块44,用于根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
一实施方式中,所述定位模块,用于将所述第一角点信息和所述第二角点信息进行匹配,将匹配结果作为约束信息;根据所述约束信息,更新所述车辆的定位位姿。
一实施方式中,所述编码模块,用于所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头且标识所述地面箭头同一位置的情况下,在所述角点编码信息中采用相同的编号对所述至少两个角点进行位置描述;所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头、且标识所述地面箭头不同位置的情况下,在所述角点编码信息中采用不同的编号对所述至少两个角点进行位置描述。
一实施方式中,所述编码模块,用于进行所述编码处理后得到的目标角点信息包含至少两个角点;所述至少两个角点在所述角点编码信息中位于同一个坐标系下。其中,所述角点编码信息,用于表征所述至少两个角点与对应地面箭头类别的位置关系。
一实施方式中,还包括训练模块,用于将不同类别的地面箭头及角点作为训练样本;将所述训练样本输入所述角点检测模型,输出得到分类损失函数和回归损失函数;根据所述分类损失函数和所述回归损失函数得到目标损失函数,根据所述目标损失函数的反向传播对所述角点检测模型进行模型训练,直至模型收敛。
一实施方式中,还包括采样模块,用于对所述训练样本进行采样处理,得到正例样本和负例样本;其中,所述正例样本包括:将所述地面箭头的顶点所包围的填充区域作为采样区域所得到的采样像素点;所述负例样本包括:所述采样区域之外的采样像素点。
一实施方式中,所述训练模块,还用于对所述角点检测模型进行模型训练中,根据所述正例样本和所述负例样本的二值化分类,得到所述分类损失函数。
一实施方式中,所述训练模块,还用于对所述角点检测模型进行模型训练中,根据所述正例样本回归出所述地面箭头的预测角点位置与真实角点位置间的距离差,根据所述距离差得到所述回归损失函数。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
如图8所示,是用来实现本申请实施例的定位方法的电子设备的框图。该电子设备可以为前述部署设备或代理设备。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的定位方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的定位方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的定位方法对应的程序指令/模块(例如,附图7所示的标注信息获取模块、编码模块、检测模块、定位模块等模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的定位方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
定位方法的电子设备,还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
采用本申请,可以获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点。可以根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,以得到角点编码信息。根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,以得到第二角点信息。根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。由于可以基于统一的编码得到角点编码信息以及结合角点检测模型实现对角点的检测,因此,可以基于角点的检测来更新车辆的定位位姿,从而提高了定位精确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种定位方法,主要包括:
获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;
根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;
根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;
根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
2.根据权利要求1所述的方法,其特征在于,其中,所述根据所述第一角点信息和所述第二角点信息,对车辆定位位姿进行更新,包括:
将所述第一角点信息和所述第二角点信息进行匹配,将匹配结果作为约束信息;
根据所述约束信息,更新所述车辆的定位位姿。
3.根据权利要求1所述的方法,其中,所述根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息,包括:
所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头且标识所述地面箭头同一位置的情况下,在所述角点编码信息中采用相同的编号对所述至少两个角点进行位置描述;
所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头、且标识所述地面箭头不同位置的情况下,在所述角点编码信息中采用不同的编号对所述至少两个角点进行位置描述。
4.根据权利要求1所述的方法,所述根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息,包括:
进行所述编码处理后得到的目标角点信息包含至少两个角点;
所述至少两个角点在所述角点编码信息中位于同一个坐标系下;
其中,所述角点编码信息,用于表征所述至少两个角点与对应地面箭头类别的位置关系。
5.根据权利要求1-4中任一项所述的方法,还包括:
将不同类别的地面箭头及角点作为训练样本;
将所述训练样本输入所述角点检测模型,输出得到分类损失函数和回归损失函数;
根据所述分类损失函数和所述回归损失函数得到目标损失函数,根据所述目标损失函数的反向传播对所述角点检测模型进行模型训练,直至模型收敛。
6.根据权利要求5所述的方法,还包括:
对所述训练样本进行采样处理,得到正例样本和负例样本;其中,
所述正例样本包括:将所述地面箭头的顶点所包围的填充区域作为采样区域所得到的采样像素点;
所述负例样本包括:所述采样区域之外的采样像素点。
7.根据权利要求6所述的方法,还包括:
对所述角点检测模型进行模型训练中,根据所述正例样本和所述负例样本的二值化分类,得到所述分类损失函数。
8.根据权利要求6所述的方法,还包括:
对所述角点检测模型进行模型训练中,根据所述正例样本回归出所述地面箭头的预测角点位置与真实角点位置间的距离差,根据所述距离差得到所述回归损失函数。
9.一种定位装置,所述装置包括:
标注信息获取模块,用于获取高精地图中已标注的第一角点信息,所述第一角点信息用于标识不同类别地面箭头中的关键特征点;
编码模块,用于根据所述第一角点信息在所述不同类别地面箭头的位置相关性进行编码处理,得到角点编码信息;
检测模块,用于根据预先训练好的角点检测模型及所述角点编码信息,对待检测图像中用于标识地面箭头关键特征点的角点进行检测,得到第二角点信息;
定位模块,用于根据所述第一角点信息和所述第二角点信息,对车辆的定位位姿进行更新。
10.根据权利要求9所述的装置,其特征在于,其中,所述定位模块,用于:
将所述第一角点信息和所述第二角点信息进行匹配,将匹配结果作为约束信息;
根据所述约束信息,更新所述车辆的定位位姿。
11.根据权利要求9所述的装置,其中,所述编码模块,用于:
所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头且标识所述地面箭头同一位置的情况下,在所述角点编码信息中采用相同的编号对所述至少两个角点进行位置描述;
所述第一角点信息包含至少两个角点,所述至少两个角点位于不同类别地面箭头、且标识所述地面箭头不同位置的情况下,在所述角点编码信息中采用不同的编号对所述至少两个角点进行位置描述。
12.根据权利要求9所述的装置,所述编码模块,用于:
进行所述编码处理后得到的目标角点信息包含至少两个角点;
所述至少两个角点在所述角点编码信息中位于同一个坐标系下;
其中,所述角点编码信息,用于表征所述至少两个角点与对应地面箭头类别的位置关系。
13.根据权利要求9-12中任一项所述的装置,还包括训练模块,用于:
将不同类别的地面箭头及角点作为训练样本;
将所述训练样本输入所述角点检测模型,输出得到分类损失函数和回归损失函数;
根据所述分类损失函数和所述回归损失函数得到目标损失函数,根据所述目标损失函数的反向传播对所述角点检测模型进行模型训练,直至模型收敛。
14.根据权利要求13所述的装置,还包括采样模块,用于:
对所述训练样本进行采样处理,得到正例样本和负例样本;其中,
所述正例样本包括:将所述地面箭头的顶点所包围的填充区域作为采样区域所得到的采样像素点;
所述负例样本包括:所述采样区域之外的采样像素点。
15.根据权利要求14所述的装置,所述训练模块,还用于:
对所述角点检测模型进行模型训练中,根据所述正例样本和所述负例样本的二值化分类,得到所述分类损失函数。
16.根据权利要求14所述的装置,所述训练模块,还用于:
对所述角点检测模型进行模型训练中,根据所述正例样本回归出所述地面箭头的预测角点位置与真实角点位置间的距离差,根据所述距离差得到所述回归损失函数。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488991.4A CN112581533B (zh) | 2020-12-16 | 2020-12-16 | 定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488991.4A CN112581533B (zh) | 2020-12-16 | 2020-12-16 | 定位方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581533A true CN112581533A (zh) | 2021-03-30 |
CN112581533B CN112581533B (zh) | 2023-10-03 |
Family
ID=75135809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011488991.4A Active CN112581533B (zh) | 2020-12-16 | 2020-12-16 | 定位方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581533B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445568A (zh) * | 2021-12-21 | 2022-05-06 | 武汉中海庭数据技术有限公司 | 一种直行转弯复合箭头的检测提取方法及系统 |
CN114454617A (zh) * | 2022-01-19 | 2022-05-10 | 湖南视比特机器人有限公司 | 喷码总系统 |
CN115206130A (zh) * | 2022-07-12 | 2022-10-18 | 合众新能源汽车有限公司 | 一种车位检测方法、系统、终端及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
WO2018195999A1 (en) * | 2017-04-28 | 2018-11-01 | SZ DJI Technology Co., Ltd. | Calibration of laser and vision sensors |
CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位系统 |
CN109556617A (zh) * | 2018-11-09 | 2019-04-02 | 同济大学 | 一种自动建图机器人的地图要素提取方法 |
CN110411457A (zh) * | 2019-08-27 | 2019-11-05 | 纵目科技(上海)股份有限公司 | 基于行程感知与视觉融合的定位方法、系统、终端和存储介质 |
CN110595459A (zh) * | 2019-09-18 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 车辆定位方法、装置、设备和介质 |
US20200273201A1 (en) * | 2019-02-26 | 2020-08-27 | Here Global B.V. | Method, apparatus, and system for feature point detection |
-
2020
- 2020-12-16 CN CN202011488991.4A patent/CN112581533B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018195999A1 (en) * | 2017-04-28 | 2018-11-01 | SZ DJI Technology Co., Ltd. | Calibration of laser and vision sensors |
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位系统 |
CN109556617A (zh) * | 2018-11-09 | 2019-04-02 | 同济大学 | 一种自动建图机器人的地图要素提取方法 |
US20200273201A1 (en) * | 2019-02-26 | 2020-08-27 | Here Global B.V. | Method, apparatus, and system for feature point detection |
CN110411457A (zh) * | 2019-08-27 | 2019-11-05 | 纵目科技(上海)股份有限公司 | 基于行程感知与视觉融合的定位方法、系统、终端和存储介质 |
CN110595459A (zh) * | 2019-09-18 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 车辆定位方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
孟宇 等: "基于视觉的地下矿用车辆自定位方法", 农业机械学报, vol. 43, no. 1, pages 22 - 27 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445568A (zh) * | 2021-12-21 | 2022-05-06 | 武汉中海庭数据技术有限公司 | 一种直行转弯复合箭头的检测提取方法及系统 |
CN114454617A (zh) * | 2022-01-19 | 2022-05-10 | 湖南视比特机器人有限公司 | 喷码总系统 |
CN115206130A (zh) * | 2022-07-12 | 2022-10-18 | 合众新能源汽车有限公司 | 一种车位检测方法、系统、终端及存储介质 |
CN115206130B (zh) * | 2022-07-12 | 2023-07-18 | 合众新能源汽车股份有限公司 | 一种车位检测方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112581533B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581533B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN111998860B (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111695488A (zh) | 兴趣面识别方法、装置、设备以及存储介质 | |
CN110794844B (zh) | 自动驾驶方法、装置、电子设备及可读存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111611903B (zh) | 动作识别模型的训练方法、使用方法、装置、设备和介质 | |
CN112528786A (zh) | 车辆跟踪方法、装置及电子设备 | |
CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN113091757B (zh) | 地图生成方法和装置 | |
CN111767853A (zh) | 车道线检测方法和装置 | |
CN111401251A (zh) | 车道线提取方法、装置、电子设备及计算机可读存储介质 | |
CN111950537A (zh) | 斑马线信息获取方法、地图更新方法、装置及系统 | |
CN112147632A (zh) | 车载激光雷达感知算法的测试方法、装置、设备和介质 | |
CN111507204A (zh) | 倒计时信号灯的检测方法、装置、电子设备及存储介质 | |
CN111652113A (zh) | 障碍物检测方法、装置、设备以及存储介质 | |
CN111652153A (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN111652112A (zh) | 一种车道流向的识别方法、装置、电子设备及存储介质 | |
CN111693059A (zh) | 环岛的导航方法、装置、设备及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN111597987A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN110866504A (zh) | 标注数据的获取方法、装置和设备 | |
CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |